Лаборатория ищет антимикробные молекулы в геномах вместе с Codex и ChatGPT

Поиск начинается с представления биологии как информации

OpenAI рассказала о работе междисциплинарной лаборатории Сесара де ла Фуэнте, которая ищет потенциальные антимикробные молекулы в геномах живых и вымерших организмов. Исходная идея команды — рассматривать нуклеотиды ДНК и аминокислоты белков и пептидов как алфавит. Собственные deep-learning модели лаборатории учатся распознавать закономерности в биологических последовательностях и ранжировать кандидатов для последующей экспериментальной проверки.

Цифровые базы геномов и белков расширили область поиска далеко за пределы физического сбора образцов растений, животных, микроорганизмов, воды или почвы. Но вместе с масштабом выросла и сложность: среди огромного числа последовательностей нужно найти редкие признаки биологической активности. AI помогает просматривать массивы данных, обнаруживать паттерны и сокращать длинный список до числа молекул, которое реально проверить в лаборатории.

По словам OpenAI, такой подход может сократить начальный поиск кандидатов с лет до часов. Это относится к ранней вычислительной стадии, а не к созданию готового лекарства. Публикация не даёт benchmark конкретной модели, размера просмотренного набора в этом проекте или доли предсказаний, подтвердившихся экспериментально. Поэтому скорость скрининга нельзя превращать в обещание такой же скорости разработки антибиотика.

Codex и ChatGPT связывают код, данные и предметные области

Наряду с собственными биологическими моделями лаборатория использует ChatGPT и Codex для мозгового штурма, написания и доработки кода, обработки datasets, анализа результатов и соединения идей из разных дисциплин. В команде работают специалисты по биологии, химии, computer science и инженерии; одни сильнее в программировании, другие — в предметной науке. Ассистенты помогают им быстрее разбираться в незнакомой терминологии и методах.

Некоторые участники применяют AI для загрузки, организации и предварительной обработки крупных genome datasets. ChatGPT также позволяет сотрудникам работать на родных языках. Де ла Фуэнте использует его как собеседника при формировании гипотез, а общее workspace команды — как площадку, куда попадают удачные и неудачные идеи разных исследователей.

Такое описание важно не смешивать с полностью автономным AI-учёным. В публикации Codex и ChatGPT поддерживают человеческую команду и вычислительный workflow, тогда как специализированные модели ищут закономерности в биологических последовательностях. Сам де ла Фуэнте подчёркивает необходимость всегда перепроверять точность. Значит, сгенерированный код, интерпретация статьи или новая гипотеза остаются промежуточным материалом до проверки специалистом.

Предсказанная молекула ещё не является лекарством

После вычислительного отбора исследователи должны подтвердить, что молекула действительно убивает целевой микроорганизм, определить эффективное количество и проверить влияние на человеческие клетки. Затем химики могут оптимизировать эффективность, безопасность или стабильность. Следующие этапы оценивают токсичную дозу, скорость возникновения устойчивости, движение вещества в организме и воспроизводимый способ производства.

Даже кандидат, прошедший эти ступени, ещё сталкивается с regulatory review и clinical trials до возможного выхода в качестве одобренного антимикробного препарата. Поэтому корректная формулировка результата — обнаружение и приоритизация потенциальной молекулы. Слова «лекарство найдено» или «новый антибиотик создан» для описанного workflow были бы преждевременными.

Де ла Фуэнте формулирует принцип прямо: ground-truth experiments необходимы для проверки AI predictions. Вычислительная модель сокращает пространство поиска, но биохимический эксперимент устанавливает, соответствует ли предсказание реальному поведению молекулы. В этой схеме AI ценен не как замена wet lab, а как способ направить ограниченные лабораторные ресурсы на более перспективные варианты.

Масштаб угрозы не отменяет осторожности выводов

OpenAI называет drug-resistant microbes, включая бактерии, грибы, паразитов и вирусы, растущей глобальной угрозой. В публикации сказано, что около пяти миллионов смертей в 2021 году были связаны с bacterial antimicrobial resistance, а ежегодное число, по прогнозу, может примерно удвоиться к 2050 году; эта цифра дана со ссылкой OpenAI на Lancet. Для редакционного материала она описывает масштаб проблемы, но не является результатом работы лаборатории де ла Фуэнте.

Учёный также говорит, что нового класса антибиотиков не появлялось 50 лет, и считает antimicrobial resistance одной из крупнейших экзистенциальных угроз. Это цитируемая оценка исследователя. Официальная публикация OpenAI не сообщает, что описанный процесс уже вывел конкретный препарат в клинические испытания, и не перечисляет одобренные регулятором лекарства, созданные с помощью Codex или ChatGPT.

Практический вывод из кейса уже сейчас касается организации исследований. AI может ускорять обработку последовательностей, написание вспомогательного кода и обмен знаниями между дисциплинами, если каждый этап оставляет проверяемые datasets, версии программ, критерии ранжирования и лабораторные результаты. Чем серьёзнее медицинское утверждение, тем дальше оно должно быть от одного model output и тем ближе — к воспроизводимому эксперименту, токсикологии и клиническим данным.